Forecasting’de "Sıfırdan Model Eğitme" Devri Kapandı: Google TimesFM ve 100 Milyar Veri Noktasının Gücü

Zaman serisi tahmini (forecasting), uzmanlık gerektiren yüksek bir teknik duvar olmaktan çıkıyor. Google Research’ün açık kaynaklı TimesFM projesi ve Şubat 2026’da duyurulan Google Workspace entegrasyonu, bu alanda yeni bir standart belirliyor. Artık her problem için sıfırdan model eğitmek yerine, önceden eğitilmiş devasa "foundation" modelleri kullanmak ana akım haline geliyor.

TimesFM: Zaman Serilerinin Temel Modeli

Google’ın 100 milyar gerçek dünya zaman noktası ile eğittiği TimesFM, zaman serileri için geliştirilmiş bir "Foundation Model". Tıpkı büyük dil modellerinin (LLM) metni anlaması gibi, TimesFM de farklı sektörlerden gelen verilerdeki trendleri ve mevsimselliği "sıfırıncı saniyeden" itibaren tanıyabiliyor.

Mart 2026 itibarıyla öne çıkan teknik güncellemeler:

      •	 16.384 Veri Noktalı Bağlam: Çok uzun geçmişe sahip verileri (örneğin yıllık enerji tüketimi veya 5 yıllık satış geçmişi) tek bir pencerede analiz etme kapasitesi.
      •	 Olasılıksal Tahmin (Quantile Forecast): Sadece tek bir rakam değil; %10, %50 ve %90 olasılık aralıkları sunarak operasyonel risk yönetimi yapma imkanı.
      •  Esnek Altyapı: Hem araştırma odaklı Flax hem de üretim odaklı PyTorch desteğiyle her türlü teknoloji yığınına entegre edilebilme.

Kritik Dönüşüm: Google Sheets + BigQuery ML Entegrasyonu

Şubat 2026’da duyurulan güncelleme, TimesFM’in gücünü doğrudan iş dünyasının merkezine taşıdı. Artık karmaşık kod yapılarında kaybolmadan; Connected Sheets üzerinden, BigQuery ML kullanarak TimesFM modellerini doğrudan bir e-tablo rahatlığında çalıştırabiliyorsunuz.

Bu entegrasyon sayesinde:

1. Milyarlarca satırlık kurumsal veri BigQuery üzerinde güvenle tutuluyor.
2. Google Sheets arayüzü, TimesFM "tahmin motorunu" tetikleyen bir kontrol paneline dönüşüyor.
3. Kullanıcılar saniyeler içinde, profesyonel seviyede talep ve stok tahmini alabiliyor.

Üretim ve Perakende İçin Yeni Fırsat Penceresi

Bu teknoloji özellikle KOBİ operasyonları için büyük bir fırsat sunuyor. Üretim, perakende, lojistik ve enerji gibi veri yoğun sektörlerde, forecasting artık sadece "bir özellik" değil, hızla devreye alınabilen bir karar destek mekanizması.

•	Hız: Model eğitimiyle aylar harcamak yerine, pre-trained modellerle pilot çalışmaları günler içinde tamamlayın.
•	Erişilebilirlik: Veri bilimci ekibi kurma zorunluluğunu azaltarak, mevcut kurumsal veriyi doğrudan analiz edin.
•	Ölçek: 200M parametrelik bu model, envanter yönetiminden fiyatlama stratejilerine kadar her ölçekte değer üretebiliyor.
________________________________________
Kaynaklar
•	https://github.com/google-research/timesfm
•	https://workspaceupdates.googleblog.com/2026/02/forecast-data-in-connected-sheets-BigQueryML-TimesFM.html
